MédiaMúltipla escolha

Questão de prática de AI-900

Um cientista de dados treina um modelo de regressão para prever o consumo diário de eletricidade (em kWh) para um edifício comercial. A equipe de negócios precisa de uma métrica que penalize fortemente grandes erros de previsão (valores atípicos ou outliers) mais do que pequenos erros. Qual métrica o cientista de dados deve relatar para atender melhor a esse requisito?

Escolha a melhor resposta.

Resposta correta

  • BRoot Mean Squared Error (RMSE)

Explicação

A raiz do erro quadrático médio (RMSE) é a métrica correta porque eleva os resíduos ao quadrado antes de tirar a média, o que amplifica desproporcionadamente o impacto de grandes erros (outliers) em comparação com pequenos erros. Isso se alinha diretamente com o requisito de negócios de penalizar fortemente grandes erros de previsão no modelo de regressão para consumo diário de eletricidade.

Por que cada alternativa está certa ou errada

A

Incorreta

Mean Absolute Error (MAE)

O erro absoluto médio (MAE) faz a média das diferenças absolutas entre valores previstos e reais usando a perda L1, de modo que cada resíduo contribui linear e igualmente para o erro total. Um outlier com um resíduo de 50 adiciona apenas 50 ao MAE, enquanto um erro típico de 5 adiciona 5, o que significa que o outlier não é ponderado além de sua magnitude bruta. Como ele não eleva resíduos grandes ao quadrado, o MAE não penalizaria os outliers mais fortemente, tornando-o a escolha errada para esse objetivo.

B

Correta

Root Mean Squared Error (RMSE)

A raiz do erro quadrático médio (RMSE) calcula a raiz quadrada da média dos resíduos ao quadrado, implementando diretamente a perda L2. Elevar cada erro ao quadrado transforma um resíduo de 10 unidades em uma contribuição de 100 versus 1 para um resíduo de 1 unidade, de modo que um único erro grande pode dominar a métrica e induzir o modelo a reduzi-lo. Essa amplificação quadrática é exatamente a penalidade mais pesada sobre outliers que é exigida, tornando o RMSE a métrica correta quando grandes erros são especialmente indesejáveis.

C

Incorreta

R-squared

O R-squared (coeficiente de determinação) relata a proporção da variância na variável alvo explicada pelo modelo em relação a uma linha de base de média simples, tipicamente como um valor de 0 a 1 (ou negativo para ajustes ruins). Embora seu termo de soma dos quadrados dos resíduos eleve os erros ao quadrado, a métrica é normalizada pela variância total, de modo que mede o ajuste proporcional em vez de uma magnitude de erro acionável ou uma perda de treinamento que penalize outliers. Assim, ele pode descrever a qualidade do modelo, mas não serve como uma métrica que penalize desproporcionadamente grandes erros de previsão da maneira que o RMSE faz.

D

Incorreta

Mean Absolute Percentage Error (MAPE)

O erro percentual absoluto médio (MAPE) expressa cada erro absoluto como uma porcentagem do valor real correspondente, fazendo então a média dessas porcentagens. Como o denominador muda por observação, um grande erro absoluto em um alvo de alto valor pode parecer pequeno em termos percentuais, enquanto um pequeno erro absoluto em um alvo minúsculo pode parecer enorme, de modo que ele não atribui consistentemente maior peso a erros maiores. Esse comportamento relativo e dependente de escala significa que o MAPE não é apropriado quando o requisito é penalizar grandes outliers absolutos com mais força.

Para se aprofundar

As métricas de avaliação de regressão diferem principalmente em como ponderam as magnitudes dos resíduos. O MAE (L1) é robusto a outliers porque todos os erros são ponderados igualmente, enquanto o RMSE/MSE (L2) amplifica grandes erros quadraticamente, tornando-se um padrão comum quando desvios significativos são excessivamente dispendiosos. Um ponto sutil e frequentemente esquecido é que a otimização para RMSE assume que os erros alvo são aproximadamente normais com variância constante; se os dados reais contêm caudas pesadas ou outliers ruidosos, o modelo pode se distorcer para acomodá-los. Na prática, a escolha da métrica deve seguir a estrutura de custos do negócio: por exemplo, um erro de previsão de uma hora no prazo de entrega pode ser levemente irritante, mas um erro de dez horas não é meramente dez vezes pior, pois pode ser operacionalmente inaceitável, de modo que o RMSE captura essa urgência. Por outro lado, se algumas leituras anômalas forem esperadas e não devem ditar o comportamento do modelo, o MAE ou uma perda winsorizada é preferível. O R-squared é comumente lido erroneamente como uma métrica de erro, mas é uma comparação normalizada com uma média de referência e pode ser manipulado pela dispersão dos dados; o MAPE falha quando os valores reais se aproximam de zero e atribui peso assimétrico a previsões abaixo do real porque o denominador é o valor real. Para o exame AI-900, reconheça que o RMSE é a métrica explicitamente vinculada a 'penalizar erros maiores com mais força'.

Sobre estas questões de prática

Esta é uma das questões de prática originais de AI-900 da Courseiva, escrita para o aprendizado e nunca copiada de provas reais nem de dumps.

Traduzida do original em inglês com IA e conferida quanto ao sentido. Códigos de exame, comandos e nomes de produtos são mantidos como aparecem na prova.